[发明专利]一种基于深度学习的图像压缩感知方法

说明书

本发明提供了一种基于深度学习的图像压缩感知方法，所述方法包括获取压缩图像数据，在所述压缩图像数据中插入识别块和协同定位块，根据所述识别块和所述协同定位块的位置来确定偏移向量；并基于所述偏移向量和原始参考图像数据中所述协同定位块和所述识别块之间的视差向量来计算预测块向量，其中，将所述预测块向量添加到候选向量列表中，并对应于候选向量的图像块之间的接近度对候选向量列表进行排序。本发明通过所述识别块和协同定位块位置的确定，并插入所述图像数据中，使得所述图像数据中的有效成分能够被采集，提升对所述图像数据重建时的无损，也进一步的保证图像数据的准确性。

技术领域

本发明涉及图像数据处理技术领域，特别涉及一种基于深度学习的图像压缩感知方法。

背景技术

压缩感知(Compressed sensing)理论，也被称为压缩采样(Compressivesampling)，是近年来信号处理领域的研究热点。该理论指出：若信号是稀疏的信号，则在远小于奈奎斯特(Nyquist)采样率的条件下，对该信号进行抽样，并通过求解优化问题的方法还原该信号，压缩感知方法可以同时执行采样和压缩过程，并且无需复杂的压缩编码，就可以减少大量的采样数据，进而提高了压缩速率。

如CN206629212U现有技术公开了一种图像压缩感知装置，目前的使用压缩感知理论一般是针对一维信号的处理。如果需要对二维的图像信号进行压缩抽样，则需要将二维的图像信号堆叠成一维的列向量，然后对一维的列向量进行压缩抽样。由于现有的方法需要将二维数据转为一维数据，导致在压缩抽样过程中观测矩阵数据庞大，并且需要占用大量的存储空间进行大量的逻辑运算，进而出现压缩抽样的速度慢，效率低的问题。

另一种典型的如CN107146259B的现有技术公开的一种新型的基于压缩感知理论的图像压缩方法，最常用的基于压缩感知理论的图像压缩是将图像进行分块后再进行压缩采样以及重建，由此而降低方法的复杂度，不过，当前的压缩感知方法在对图像信号进行压缩感知采样和信号重建时，由于缺少高效的采样策略和重建方法，导致整体性能不高，由此限制了这一理论在图像压缩方面的应用。

为了解决本领域普遍存在数据处理量大、依赖专家知识、无法迁移、精确性差、无法匹配样本，很难建立显式的图像信息特征等等问题，作出了本发明。

发明内容

本发明的目的在于，针对目前图片处理所存在的不足，提出了一种基于深度学习的图像压缩感知方法。

为了克服现有技术的不足，本发明采用如下技术方案：

一种基于深度学习的图像压缩感知方法，所述方法包括获取压缩图像数据，在所述压缩图像数据中插入识别块和协同定位块，根据所述识别块和所述协同定位块的位置来确定偏移向量；并基于所述偏移向量和原始参考图像数据中所述协同定位块和所述识别块之间的视差向量来计算预测块向量，其中，将所述预测块向量添加到候选向量列表中，并对应于候选向量的图像块之间的接近度对候选向量列表进行排序；

通过处理模块对压缩图像数据进行处理，并获得一个图像块矩阵Trans：

其中，m为图像块的行数，n为图像块的列数，a_ij表示第i行的第j个列的图像块；

建立所述预测块向量与所述图像块矩阵之间的映射关系，以建立各个图像块与预测向量之间的对应关系，并依据所述图像块矩阵中的图像块对所述候选向量列表进行排序；

获取候选向量列表中的任意两个预测块向量X和Y，并其对应的所述图像块的接近度Picture依据下式进行计算，